机器学习的初学术语掌握

最新推荐文章于 2024-07-11 14:38:37 发布
最新推荐文章于 2024-07-11 14:38:37 发布
阅读量1k 收藏 4
点赞数 1
分类专栏： 大数据 文章标签： 深度学习 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/UNknowmer/article/details/127871651
版权
本文介绍了机器学习的基础术语，包括数据集、训练样本、标记、标记空间和学习任务类别等。探讨了分类、回归和聚类任务，以及正类、反类、测试样本和假设空间的概念。还讲解了过拟合、欠拟合以及评估学习器泛化误差的留出法、交叉验证法和自助法。最后，讨论了性能度量如错误率、精度、查准率、查全率和分类结果混淆矩阵。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

  • 机器学习：让一个模型能够通过数据调优自己，后续的数据可以通过模型获得更贴近真实的结论
  • 数据集：也叫样本，可以简单理解为一个个对象构建成的集合
  • 训练样本：构建的数据集中的一部分被拿来训练模型的子集
  • 标记：数据集中的对象可以被打上一个标签，比如你三天下了十笔订单，可以叫做高活用户
  • 标记空间：将对象中的数据和对象的标记组合，然后重新形成的集合就叫标记空间
  • 学习任务类别：分类（好瓜，坏瓜）；回归（好瓜0.95，好瓜0.37）；聚类（训练集中的对象根据自己的数据判断内在规律，打上标记）
  • 正类：分类任务中只涉及两个类别，我们需要判断出来的类别就是正类
  • 反类：分类任务中只涉及两个类别，我们不需要判断出来的类别就是反类
  • 测试样本：构建的数据集中一部分被用来测试模型的数据构成的集合就叫测试样本，一般测试样本是训练样本在全部数据集中的补集
  • 假设空间：对象可以整合的特征可能出现的集合
  • 版本空间：假设空间中和训练集一致的多个假设形成的子集
  • 机械学习：死记硬背式学习
  • 类比学习：从观察和发现中学习
  • 归纳学习：
最低0.47元/天 解锁文章
机器学习 精准率 — 召回率 — 准确率 — F1-Score
zhf的博客
08-17 1201
准确率 、召回率 、精确率 ： 准确率->accuracy, 精确率->precision. 召回率-> recall. 三者很像，但是并不同，简单来说三者的目的对象并不相同。 大多时候我们需要将三者放到特定的任务环境中才会更加明显的感觉到三者的差异。 在介绍这些之前，我们先回顾一下我们的混淆矩阵。 True Positive(真正, TP)：将正类预测为正类数. True Negative(真负 , TN)：将负类预测为负类数. False Positive(假正, FP)：将负类预测为
机器学习的一些常识
angnuan123的博客
08-31 391
分类问题的评估： 对于二分类问题常用的评价指标是精确率（precision）和召回率（recall） TP————正类预测为正类 FN————正类预测为负类 FP————负类预测为正类 TN————负类预测为负类 精确率定义为： ...
机器学习之分类模型
glywsy的博客
04-16 1544
ROC曲线是以假正例率（False Positive Rate）为横轴，真正例率（True Positive Rate）为纵轴的曲线，用于衡量二分类模型在不同阈值下的性能。AUC是ROC曲线下方的面积，用于衡量分类模型的性能，AUC值越接近1，模型性能越好。因此，在实际应用中，我们可能需要通过交叉验证等技术来选择最优的 k 值，以平衡模型的性能和泛化能力。这可能导致模型在训练和测试数据上的性能略有下降，但是模型在新数据上的泛化性能可能更好。：分类器正确分类为正例的样本数占真实正例的样本数的比例。
机器学习术语
m0_67955661的博客
09-13 1262
机器学习术语
机器学习的部分名词解释20180724
ningyanggege的博客
07-24 536
对于一个学习器，一个二分类问题，其预测结果，可分为四类，真正例（TP），假正例（FP），真反例（TN），假反例（FN）； 准确率：分类正确的样本数量占总体样本数量的比例；（TP+TN）/（TP+FP+TN+FN） 查准率：英文叫precision，对某一类判断的准确率进行度量，一般称为正例；真正例除以判断为正例的数量，TP  /（TP+TN）；如果查准率极高比如说100%，预测股票上涨为正例，...
Google机器学习术语表.pdf
03-28
这些术语构成了机器学习的基础知识体系，对于初学者而言，掌握这些概念是深入学习更高级主题的前提。在学习过程中，了解并应用这些术语将帮助学习者更准确地描述和理解机器学习模型的行为和性能。
机器学习常用术语
最新发布
weixin_66519663的博客
07-11 2864
机器学习是一门专业性很强的技术，它大量地应用了数学、统计学上的知识，因此总会有一些蹩脚的词汇，这些词汇就像“拦路虎”一样阻碍着我们前进，甚至把我们吓跑。因此认识，并理解这些词汇是首当其冲的任务。本节将介绍机器学习中常用的基本概念，为后续的知识学习打下坚实的基础。
谷歌机器学习术语表
03-16
从给定的文件内容来看，该内容主要是关于谷歌机器学习术语表的描述和部分内容摘录。尽管由于OCR扫描的限制，...通过对这些术语的学习和应用，可以更好地掌握机器学习的知识体系，并在此基础上进行深入研究和创新实践。
机器学习速成课程（MLCC）的机器学习术语表
01-21
在机器学习领域，掌握核心术语是至关重要的，尤其是在学习Google的机器学习速成课程（Machine Learning Crash Course，简称MLCC）时。这个课程为初学者提供了深入理解机器学习概念的基础，而这份“机器学习术语表”...
理解TP、FP、TN、FN
零忆
02-23 1740
理解TP、FP、TN、FN
机器学习是正负例不平衡的情况
m0_74184968的博客
08-11 210
在训练集中负例远远多于正例的情况下，可能会导致模型在学习过程中偏向于负例，从而影响模型的性能。：使用生成对抗网络 (GANs)、SMOTE 等技术生成合成的正例样本，以增加正例的数量。根据问题的复杂性和数据的特点，可以选择一个或多个方法来处理类别不平衡的情况。：在模型训练时，为正例和负例设置不同的权重，使模型更关注少数类别。：使用适合类别不平衡问题的评估指标，如准确率、召回率、F1 分数等，以更全面地评估模型性能。：在模型预测时，可以通过调整分类阈值来调整模型的预测结果，以更好地处理类别不平衡问题。
分类--真与假以及正类别与负类别
dengao9681的博客
03-25 1379
在本部分，我们将定义用于评估分类模型的指标的主要组成部分。不过，我们先来看一则寓言故事： 伊索寓言：狼来了（精简版） 有一位牧童要照看镇上的羊群，但是他开始厌烦这份工作。为了找点乐子，他大喊道：“狼来了！”其实根本一头狼也没有出现。村民们迅速跑来保护羊群，但他们发现这个牧童是在开玩笑后非常生气。 [这样的情形重复出现了很多次。] 一天晚上，牧童看到真的有一头狼靠近羊群，他...
机器学习 学习总结 第四章 分类问题之逻辑回归的算法表达式
Ace_bb的博客
01-20 587
分类问题 在分类问题中，例如之前提到过的肿瘤良性恶性分类问题，可以将我们要预测的变量Y分为0 和 1 。 被标记为0 的也叫做负类， 标记为1的也叫做正类。 对于正类和负类的定义其实是任意的，没有硬性要求，主要看我们的需要。通常，负类表示某些缺少某样东西的东西，正类表示拥有某些我们需要的东西。接下来首先讨论的是0 1 分类问题。 二元分类问题 逻辑回归问题 ...
正样本负样本，正类负类
醉糊涂仙的博客
12-12 1万+
与标签相关的样本都是正样本；与标签无关的都是负样本 比如人脸识别，标签有3个，白人，黑人，黄人。 那么凡是显示是人的图片都是正样本。 如果其中掺杂了汽车的图片，那么汽车就是负样本。 ...
机器学习基础知识（九）：逻辑回归
qq_32419125的博客
08-19 481
一、基本概念 逻辑回归：将回归转化成为二分类，并能得出概率值 应用场景：广告点击率、是否为垃圾邮件、是否是金融诈骗 问题：如何将回归转换成为分类 解答：使用sigmoid 函数，将输入的数据转化成为一个[0,1]之间的数值，即概率值 具体体现在下图的逻辑回归公式图中。其中，z表示回归的结果，e=2.71，g(z)为sigmoid函数。 由此可知，逻辑回归和线性回归一样，都是输入数据，拟合参数。不同点在于逻辑回归用sigmoid函数将z值转化成了一个[0,1]之间的数值，默认阈值为0.5，由此变成了二分
true-positive，false-positive，true-negative，false-negative差别
热门推荐
cnbird's blog
09-03 2万+
考虑一个二分问题，即将实例分成正类（positive）或负类（negative）。对一个二分问题来说，会出现四种情况。如果一个实例是正类并且也被 预测成正类，即为真正类（True positive）,如果实例是负类被预测成正类，称之为假正类（False positive）。相应地，如果实例是负类被预测成负类，称之为真负类（True negative）,正类被预测成负类则为假负类（false n
SVM的一些疑问
芒果干的博客
10-29 396
1. 为什么SVM问题中的正类y=-1，负类y=1 我们知道任一点到超平面的距离为 ∣wTx+b∣∣∣w∣∣ \frac{|w^{T}x+b|}{||w||} ∣∣w∣∣∣wTx+b∣​ 在之前的描述中我们知道函数间隔γ^=∣wTx+b∣=y(wTx+b)\hat{\gamma} = |w^{T}x+b| = y(w^{T}x+b)γ^​=∣wTx+b∣=y(wTx+b)，几何间隔γ~=∣wTx+b∣∣∣w∣∣=y(wTx+b)∣∣w∣∣\tilde{\gamma} = \frac{|w^{T}x+b|}{
机器学习中的基础知识（深入下篇）
CDA数据分析师
02-16 164
我们都知道，机器学习是人工智能中十分重要的内容，所以在前面的文章中我们给大家介绍了很多关于机器学习的知识，这些知识只是概念，还不是机器学习中更加深入的内容，不过要想学习深入知识就需要了解基础知识，下面我们就给大家介绍一下机器学习中的基础知识。 （1）正类，在二元分类中，有两种类别：正类和负类。正类是我们测试的目标。 （2）精度就是分类模型的一种指标。准确率指模型预测正...
机器学习中 True Positives（真正例TP）、False Positives（假正例FP）、True Negatives（真负例TN）和 False Negatives（假负例FN）指什么
Dontla的博客
11-05 2万+
True、False正确检测还是错误检测（相对于阈值而言） Positive、Negative指画没画框 所以： True Positives（真正例TP）是指正确检测，画出框并且交并比大于阈值的 False Positives（假正例FP）是指错误检测，画出框并且交并比小于阈值的 True Negatives（真负例TN）是指正确检测出不是我们要的目标，没画框 False Negatives（假...
机器学习初学者指南：快速入门资料整理
作为入门资料，它会介绍一些机器学习的基本术语和概念，例如数据集、特征、监督学习、无监督学习等。这些是学习机器学习不可或缺的基础知识。 5. 重要算法概述 资料中可能会包含一些常见的机器学习算法介绍，例如...
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

卑微-程序员

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值